Google DeepMind ogłosił Gemini 4 Argon, model opisywany przez firmę jako przełom w rozumieniu fizycznym, generowaniu kodu oraz rozumowaniu wizualno-semantycznym. W wpisie na blogu Google DeepMind opublikowanym 13 października 2026 roku zespół stojący za modelem stwierdził, że odblokowuje on nowe przepływy pracy w całym stosie robotyki i przyspiesza postęp w kierunku fizycznej AGI, z zadeklarowanym celem umożliwienia robotom współpracy z ludźmi w rozwiązywaniu złożonych wyzwań.

Skok możliwości jest najbardziej widoczny w benchmarku Embodied Reasoning (ERQA), który testuje zdolność modelu do rozumienia i rozwiązywania fizycznych, przestrzennych problemów w środowiskach 3D. Stosując czyste rozumowanie, Argon uzyskuje 87% w benchmarku, przewyższając według DeepMind wszystkie pozostałe modele graniczne. Benchmarki takie jak ERQA mają znaczenie, ponieważ modele graniczne były historycznie mierzone głównie w zadaniach językowych i programistycznych, podczas gdy rozumowanie o obiektach, przestrzeni i kontakcie w 3D pozostawało wyspecjalizowanym wyzwaniem dla robotyki.

Pozycjonowany jako ogólnego przeznaczenia model rozumowania fizycznego, Argon został zaprojektowany do zastosowań w całym cyklu życia robotyki. Ogłoszenie przechodzi przez reprezentatywne prompty w czterech kluczowych obszarach: sterowanie robotami, Real2Sim, rozumienie fizyczne oraz badania i samodoskonalenie. Każda prezentacja jest opatrzona wideo pokazującym model w działaniu.

Sterowanie robotami: od czworonoga po modele świata wideo

Prezentacje sterowania robotami obejmują mobilną manipulację z treningiem w MuJoCo, sterowanie robotami zero-shot oraz sterowanie w pętli zamkniętej modelami świata wideo.

W pierwszej prezentacji Argon steruje czworonogiem Boston Dynamics Spot — platformą z nogami o 12 stopniach swobody i ramieniem o 6 stopniach swobody — aby nauczyć się nowej umiejętności: nadejścia na kosz na śmieci z pedałem, aby wyrzucić puszki po napojach. Zanim dotnie fizycznego pedału, Argon tworzy przegubowy cyfrowy bliźniak kosza w MuJoCo, otwartym symulatorze fizyki szeroko stosowanym w badaniach nad robotyką, i trenuje swoje ruchy w symulacji. Następnie naciska prawdziwy pedał i wrzuca puszki do otwartego kosza.

W demonstracji sterowania zero-shot Argon obsługuje prosty ramień robotyczny, aby postawić przewrócony kubek i umieścić w nim pomięty serwetkę, rozumując za pomocą wizualnej uprzęży współrzędnych i prymitywów akcji w kilku turach.

Trzeci przykład rozszerza sterowanie na modele świata wideo. Argon steruje robotami wewnątrz Gemini Omni World Model, aby ułożyć pięć rozrzuconych kafli Scrabble (G, R, A, N, O) w równy rząd tworzący A-R-G-O-N. Zamiast wydawać jeden statyczny prompt, Argon steruje w zamkniętej pętli wizualnej: pisze opatrzone znacznikami czasu prompty akcji, sprawdza pośrednie klatki kluczowe rozpętania i doskonali swoje prompty w miarę postępu.

Real2Sim: od zasilania kamer i szkiców do skalibrowanej symulacji

Prezentacje Real2Sim obejmują rekonstrukcję fizycznie skalibrowanych bliźniaków symulacyjnych z zasilania kamer robotów, egocentrycznego wideo człowieka lub odręcznych szkiców na papierze. Technika ta odpowiada na praktyczną rzeczywistość robotyki: iterowanie w symulacji jest szybsze i bezpieczniejsze niż na fizycznym sprzęcie, ale przynosi korzyści tylko wtedy, gdy symulowany świat wiernie odzwierciedla rzeczywisty.

W pierwszej z nich Argon ogląda rzeczywisty epizod teleoperacji robota i opracowuje cyfrowego bliźniaka, pozyskując lub tworząc zasoby symulacyjne, które wyglądają i zachowują się jak rzeczywiste obiekty przy kontakcie ze zręcznymi rękami. Dostraja zasoby i sceny w iteracyjnej pętli rozumowania wizualnego, aż symulowane wizualizacje i zdarzenia kontaktowe pokryją się z tymi w rzeczywistych zarejestrowanych danych.

Na podstawie egocentrycznego wideo człowieka wykonującego zadanie manipulacyjne Argon identyfikuje obiekty istotne dla zadania, zastępuje surowe ramki ograniczające złożonymi siatkami o dekompozycji wypukłej dla wklęsłych pojemników i przemapuje trajektorię ludzkiej dłoni na dwuręcznego humanoida o 76 stopniach swobody z pięciopalcowymi rękami o 22 stopniach swobody w fizyce kontaktu MuJoCo.

Przykład ze szkicu do symulacji pokazuje dewelopera fotografującego zgrubny szkic ołówkiem na papierze — przedstawiający humanoidalnego robota Apollo 2 rzucającego piłkę po łuku parabolicznym, aby przewrócić stos pudełek 3-2-1 na stole — po czym Argon automatycznie buduje scenę mujoco_warp akcelerowaną przez GPU, syntetyzuje zrównoważoną trajektorię rzutu całego ciała i pięciu palców o 76 stopniach swobody, weryfikuje 6/6 trafień celu w fizyceętli zamkniętej i eksportuje render Blender 4.5 Cycles.

Rozumienie fizyczne: etykietowanie a posteriori, rozwiązywanie zagadek i funkcje wartości

Prezentacje rozumienia fizycznego obejmują agentowe multimodalne etykietowanie a posteriori, w tym szczegółowe rozumienie zręczności, gęste funkcje wartości i szacowanie postępu.

DeepMind stwierdza, że Argon ma precyzyjne fizyczne rozumienie zręcznej manipulacji i może dostarczać szczegółową segmentację oraz etykietowanie tekstowe z wideo, identyfikując słabe segmenty manipulacji, takie jak pauzy, niestabilne chwyty i potknięcia. Na podstawie wideo z góry pokazującego dwuręcznego robota ALOHA 2 składającego kwadratowy arkusz papieru w origamowego lisa przez 136 sekund Argon tworzy wyrównaną czasowo, czteropoziomową hierarchię adnotacji a posteriori: Cel Epizodu (G1), 6 ciągłych Podzadań Semantycznych (G2), 17 atomowych prymitywów na poziomie kontaktu (G3) oraz automatyczne ważenie Kontroli Jakości (QC), które utrzymuje postęp zadania na stałym poziomie podczas potknięć i ponowień.

Aby odtworzyć z robotami klasyczną zagadkę wagi szalkowej z 12 kulami, Argon buduje dwuręczne środowisko Franka FR3 w MuJoCo zawierające 12 wizualnie identycznych kul bilardowych — jedną potajemnie cięższą lub lżejszą — oraz przegubową dwuszalkową wagę Roberval. Następnie pisze solver działający w pętli zamkniętej wyłącznie na wizji, który trianguluje kule ze stereo kamer RGB, wizualnie odczytuje przechył wagi po każdym ważeniu i izoluje nietypową kulę do tacy Ciężkiej (Czerwonej) lub Lekkiej (Niebieskiej) w ciągu 3 ważeń.

DeepMind opisuje również Argon jako ogólną funkcję wartości dla zadań robotyki. Oceniany na 60-sekundowym epizodzie dwuręcznego sortowania pierścieni z ludzkiego zestawu danych UMI, Argon iteracyjnie sprawdza zsynchronizowane zasilanie kamer głowy, lewego chwytaka i prawego chwytaka wokół przejść kontaktowych, aby generować gęste predykcje funkcji wartości i postępu zadania, dekomponując trajektorię na 28 segmentów o dodatnich, neutralnych i ujemnych nachyleniach postępu.

Badania i samodoskonalenie: od danych symulacyjnych po iterację na sprzęcie

Prezentacje badań i samodoskonalenia obejmują poprawę akcji poprzez symulację oraz iteracyjne samodoskonalenie na sprzęcie.

Argon może generować nowe dane w symulacji, aby poprawić wydajność generalistycznych modeli wizja-język-akcja (VLA). Dla modeli VLA, które zależą od dużych wolumenów danych interakcji robotów, symulacja oferuje sposób skalowania zbierania danych poza możliwości fizycznego sprzętu. Startując z pojedynczego zdjęcia RGB rzeczywistego blatu, Argon autonomicznie buduje skalibrowanego bliźniaka symulacyjnego MuJoCo, definiuje nowe zadania i syntetyzuje generator ruchu w pętli zamkniętej, aby zebrać ponad 4500 epizodów z randomizacją domeny w symulacji. Według DeepMindzyło to rzeczywisty wskaźnik sukcesu fizycznego robota z 56% do 75% i skróciło czas ukończenia z 35 sekund do 24 sekund.

Na prostym ramieniu o 6 stopniach swobody Argon również iteracyjnie samodoskonali zarówno szybkość wykonania, jak i dokładność umieszczania w zadaniu podnoszenia i przenoszenia poprzez próby i autorefleksję.

Ostatnia prezentacja obejmuje odtworzenia prac z zakresu sterowania robotami w MuJoCo WebAssembly na podstawie jednego promptu. Z pojedynczym promptem na pracę, Argon czyta rękopis dotyczący sterowania robotami i wszelkie opublikowane punkty kontrolne, portuje model fizyki i kontroler pętli zamkniętej — od 7-sieciowej hierarchicznej lokomocji w DeepLoco i aktorów PPO 50 Hz w HUSKY po Web Worker iLQR w Whole-Body MPC — do samodzielnych laboratoriów przeglądarkowych MuJoCo WebAssembly i weryfikuje je w headless Chromium.

Rozwój inteligencji ucieleśnionej

Według DeepMind Argon łączy programowanie, percepcję wizualną, symulację fizyki i ucieleśnione sterowanie robotami. Rozumując natywnie na podstawie wielokamerowego wideo, geometrii 3D, mechaniki kontaktu i telemetrii proprioceptywnej, model rozumie nie tylko to, jakie obiekty znajdują się w scenie, ale także to, jak fizycznie oddziałują one z agentami w celu wykonywania zręcznych zadań całego ciała. Razem prezentacje obejmują prace, które zespoły robotyczne zazwyczaj rozdzielają między osobne narzędzia i przepływy pracy — projektowanie kontrolerów, kalibrację symulacji, etykietowanie zbiorów danych i odtwarzanie prac naukowych.

„Gemini 4 Argon wyznacza ważny kamień milowy przyspieszający drogę do fizycznej AGI" — stwierdza wpis na blogu. „Budując tę podstawową inteligencję, naszym celem jest umożliwienie robotyki, która może pracować u boku ludzi, aby rozwiązywać złożone wyzwania."

Pierwsze kroki

Gemini 4 Argon jest dostępny już dziś na platformach deweloperskich Google, dając deweloperom bezpośredni sposób przetestowania opisanych powyżej możliwości:

• Google AI Studio: dostępny dla subskrybentów Google AI Ultra za pośrednictwem Google AI Studio.
• Gemini API: dostępny w płatnym warstwie Gemini API w AI Studio. Deweloperzy mogą wywoływać model jako gemini-4-argon w Interactions API, z obsługą od pierwszego dnia w pakietach SDK google-genai.
• Google Antigravity: dostępny dla subskrybentów Google AI Ultra. Deweloperzy mogą wybrać Gemini 4 Argon (gemini-4-argon) jako aktywny model w Google Antigravity do złożonego planowania, uruchomień /goal i orkiestracji wieloagentowej.